Aucune centrale d’achat public ne propose Claude sur catalogue à la date de rédaction. Régie d’avances, achat direct sous le seuil de dispense, marché existant ou procédure adaptée : les voies ouvertes à une collectivité, leurs conditions et leurs limites. … Read More
EcoLLM Blog
Notre Blog
Suivez nous pour savoir tout sur l'impact énergétique de l'intelligence artificielle !
Passer à l’échelle son programme IA sans exploser son budget : ce que j’ai dit à vingt communes du Grand Paris
Ce que j’ai dit à vingt communes du Grand Paris : pourquoi les expérimentations IA plafonnent à cinq agents, et comment piloter coûts et carbone sur l’ensemble du programme. … Read More
Shadow AI : quand l’adoption de l’IA devance les organisations
Le Shadow AI n’est pas un problème de discipline. Pourquoi interdire et présélectionner les solutions l’aggravent, et comment une AMO IA instruit les cas d’usage avant de parler solutions. … Read More
L’Empreinte Écologique des LLM en Action – Podcast
L’Empreinte Écologique des LLM en Action Ce document (arxiv) évalue l’impact environnemental des modèles de langage à grande échelle (LLM) en termes de consommation d’énergie, d’eau et d’émissions de carbone, se concentrant sur la phase d’inférence plutôt que sur la … Read More
Coût énergétique de l’inférence des LLM – Podcast
Green Prompting Cette étude explore l’impact de la conception des prompts et des caractéristiques des réponses sur la consommation d’énergie des grands modèles linguistiques (LLMs) pendant l’inférence. En utilisant trois modèles open-source et différents types de tâches, les chercheurs ont constaté que … Read More
RGIAF BP 31 : Guide pour l’A/B Testing de modèles IA afin d’optimiser le ratio performance/ressources
Introduction La bonne pratique RGIAF BP 31 issue du référentiel AFNOR SPEC 2314 met en lumière l’importance de l’A/B Testing de modèles d’Intelligence Artificielle (IA) afin d’identifier celui offrant le meilleur équilibre entre performance et consommation de ressources. Cette démarche … Read More
RGIAF BP29 : Réutiliser et Partager des Algorithmes Entraînés pour une IA Frugale et Responsable
Introduction La bonne pratique BP29 du référentiel général pour l’IA frugale (AFNOR SPEC 2314) encourage la réutilisation des algorithmes déjà entraînés et le partage des modèles réalisés en Open Source. Cette démarche aide à réduire l’impact environnemental de l’intelligence artificielle … Read More
RGIAF – BP 30 : Privilégier des modèles plus frugaux pour une IA respectueuse de l’environnement
Introduction La bonne pratique BP 30 du référentiel général pour l’IA frugale (AFNOR SPEC 2314) met en lumière l’importance de privilégier des modèles d’intelligence artificielle (IA) plus frugaux, c’est-à-dire moins énergivores et moins gourmands en données. Cette démarche vise à … Read More
RGIAF BP27 : Rationaliser les modèles pour une IA frugale et performante
Introduction La bonne pratique BP27 du référentiel RGIAF (Référentiel Général pour l’IA Frugale) propose de rationaliser les modèles d’intelligence artificielle afin d’optimiser leur efficacité tout en réduisant leur impact environnemental. Cette approche modérée en termes de gains de frugalité et … Read More
Guide d’implémentation RGIAF BP28 : Décomposer un gros modèle d’IA en plusieurs petits modèles
Introduction La bonne pratique RGIAF BP28 consiste à décomposer un gros modèle d’IA généraliste en plusieurs petits modèles spécialisés. Cette approche permet de réduire l’empreinte environnementale globale liée à la conception, l’entraînement et l’inférence des modèles d’IA, tout en améliorant … Read More